Graph Retrieval-Augmented Generation（GraphRAG）能够在语料图中连接分散的证据，但大多数系统对所有查询使用相同的探索流程。这导致结构不匹配：直接事实需要紧凑的局部邻域，比较任务需要对多个目标均衡覆盖，间接提问则需要通过弱关联节点的更深路径。
Mosaic 是一个无需额外训练的框架，它把 GraphRAG 检索建模为每个查询的控制问题。LLM 分析器根据查询的证据需求生成一个有界策略，决定种子节点选择、图遍历方式、何时停止以及最终证据筛选，而语料图、索引、评分函数、落地过程和答案生成器保持共享。
实验在 GraphRAG-Bench 上进行：在 Medical 子集 Mosaic 获得 76.97 的加权答案正确率，Novel 子集 64.33，分别比此前最强结果提升 5.13 和 4.43 分。Medical 子集的证据召回率达到 95.1，上下文相关度 86.1。对同一图和生成器的受控比较表明，没有固定的窄、中、宽策略能够始终最佳；Mosaic 相比最强固定策略提升 9.96 分。相较于 Fixed Wide，Mosaic 评估的路径减少 81.9%，保留的证据项减少 47.2%。
在 HotpotQA、MuSiQue 和 2WikiMultiHopQA 上的迁移实验显示，策略接口可以直接用于新基准，无需针对检索器的额外训练。
点评：Mosaic 展示了查询感知的检索策略在多样化任务中的显著优势，证明了控制视角的可行性。